Автоматизированная недорогая система измерения трещин в железобетонных конструкциях с применением глубокого обучения

Почему мелкие трещины в крупных конструкциях важны

От шоссейных мостов до жилых домов — многие бетонные конструкции, на которые мы опираемся ежедневно, со временем образуют микротрещины. Эти крошечные раскрытия позволяют проникать воде и соли, которые корродируют спрятанную сталь и сокращают срок безопасной эксплуатации сооружения. Традиционно осмотр и измерение трещин требовали медленной ручной работы специалистов с увеличительными приборами и измерителями. В статье представлена методика, превращающая обычный смартфон в недорогой инструмент инспекции, способный автоматически обнаруживать трещины на бетонных поверхностях и оценивать их ширину, помогая инженерам принять решение о необходимости ремонта.

От медленных ручных проверок к умному анализу изображений

Инженерам давно известно, что размеры и расположение трещин — ключевые показатели повреждений бетонной конструкции и оставшегося ресурса. Но ручные измерения занимают много времени, зависят от квалификации инспектора и могут быть непоследовательными при повторных проверках. Исследователи экспериментировали с камерами, лазерами и даже дронами для автоматизации процесса, но многие такие системы дорогостоящи, сложны в развёртывании или трудно применимы в тесных или внутренних пространствах. Авторы этого исследования поставили задачу разработать практичную альтернативу, работающую с широко доступными смартфонами и простыми печатными шаблонами, снижая затраты, но сохраняя точность измерений, достаточную для реальных задач.

Обучение компьютера распознавать трещины

В основе новой системы лежит современная модель распознавания изображений на базе глубокого обучения под названием YOLO-V11. Команда обучила эту модель тысячами фотографий повреждённой бетонной поверхности, чтобы она научилась отличать настоящие трещины от теней, загрязнений и маркировок. Чтобы повысить устойчивость системы в «грязных» реальных условиях, в обучающий набор намеренно добавили искусственные цветные линии, заставив модель усвоить тонкие визуальные различия между нарисованной полосой и настоящим разрывом. Также во время обучения усиливали контраст и резкость изображений. Эти мероприятия существенно улучшили способность модели обнаруживать трещины и прослеживать их контуры даже при неравномерном освещении или грубой поверхности.

Преобразование снимков в реальные измерения

Обнаружение трещины — лишь половина задачи; инженерам нужна её реальная ширина в миллиметрах, а не в пикселях. Для этого исследователи использовали четыре маленьких шахматных шаблона, приклеенных вокруг области съёмки. Поскольку размер каждой клетки на шаблоне известен, программное обеспечение может скорректировать наклон камеры и искажения объектива, а затем вычислить, сколько миллиметров соответствует одному пикселю. Область трещины анализируют перекрывающимися плитками, чтобы уловить очень мелкие детали; затем программа находит тонкий «скелет» по центру трещины и измеряет расстояние до краёв вдоль этой линии. Комбинация этих шагов даёт карту ширин трещин по всей обследуемой поверхности.

Насколько хорошо это работает в реальных условиях

Для проверки подхода команда собрала 230 измерений трещин как на лабораторных образцах, так и на существующих бетонных зданиях, используя для ориентира цифровой микроскоп высокого разрешения. Затем сделали фотографии смартфоном с расстояния примерно одного метра, пропустили их через систему и сравнили предсказанные ширины трещин с ручными замерами. В среднем погрешность автоматизированной системы составляла около одной восьмой от истинной ширины, с типичными различиями в доли миллиметра. Лучшие результаты наблюдались для трещин шире 0,5 мм, где расхождения между предсказанными и фактическими значениями были малы. Для чрезвычайно тонких трещин неопределённость была выше, что указывает на то, что съёмка с меньшего расстояния или использование камер с более высоким разрешением может повысить точность.

Что это означает для повседневной безопасности

Исследование демонстрирует, что грамотно подобранное сочетание фотосъёмки со смартфона, простых печатных шаблонов и продвинутого анализа изображений может обеспечить надёжные измерения трещин без дорогого оборудования и узкоспециализированных операторов. Система имеет склонность к небольшому завышению ширины трещин, что является консервативным и более безопасным подходом при оценке состояния сооружений. С дальнейшими улучшениями — например, использованием встроенных датчиков глубины в новых смартфонах вместо физических шахматных шаблонов — метод может сделать рутинные недорогие проверки состояния бетонных зданий, мостов и других конструкций более доступными, помогая владельцам раньше выявлять проблемы и приоритизировать ремонты там, где они наиболее важны.

Цитирование: Hassouna, M., Marzouk, M. & Fathalla, E. Automated low-cost framework for crack measurements in RC structures using deep learning approach. Sci Rep 16, 14678 (2026). https://doi.org/10.1038/s41598-026-50880-w

Ключевые слова: трещины в бетоне, мониторинг состояния конструкций, инспекция на основе глубокого обучения, измерения со смартфона, безопасность инфраструктуры